Chen Tessler, Yifeng Jiang, Erwin Coumans, Zhengyi Luo, Gal Chechik, Xue Bin Peng
개요
본 논문은 전신을 사용한 물체 조작을 위한 다재다능하고 물리적으로 시뮬레이션된 인간 동작을 합성하는 문제를 다룹니다. 기존의 세세한 동작 추적, 궤적 추종 또는 원격 조작에 중점을 둔 방법과 달리, 본 논문의 프레임워크는 사용자가 목표 물체 자세 또는 신체 자세와 같은 다양한 고수준 목표를 지정할 수 있도록 합니다. 이를 위해 대규모 인간 동작 캡처 데이터에서 훈련된 추적 제어기에서 추출된 생성 제어 정책인 MaskedManipulator를 제시합니다. 이러한 2단계 학습 과정을 통해 시스템은 복잡한 상호 작용 동작을 수행하면서 캐릭터와 물체의 움직임을 모두 직관적으로 사용자 제어할 수 있게 합니다. MaskedManipulator는 작업별 솔루션을 넘어 상호 작용 애니메이션 시스템의 범위를 확장하는 목표 지향적 조작 동작을 생성합니다.
시사점, 한계점
•
시사점:
◦
고수준 목표(목표 물체 자세 또는 신체 자세)를 사용하여 다재다능한 전신 물체 조작 동작 합성 가능
◦
캐릭터 및 물체 움직임에 대한 직관적인 사용자 제어 제공
◦
작업 특정 솔루션을 넘어 상호 작용 애니메이션 시스템의 범위 확장
◦
대규모 인간 동작 캡처 데이터를 활용한 효과적인 학습 방법 제시
•
한계점:
◦
제시된 MaskedManipulator의 일반화 성능 및 다양한 물체 및 환경에 대한 적용성에 대한 추가적인 평가 필요
